階層的パターン抽出と最適ルール集合獲得に基づく説明可能動的グラフマイニング
Project/Area Number |
22K12173
|
Research Category |
Grant-in-Aid for Scientific Research (C)
|
Allocation Type | Multi-year Fund |
Section | 一般 |
Review Section |
Basic Section 61030:Intelligent informatics-related
|
Research Institution | Nihon University |
Principal Investigator |
尾崎 知伸 日本大学, 文理学部, 教授 (40365458)
|
Project Period (FY) |
2022-04-01 – 2026-03-31
|
Project Status |
Granted (Fiscal Year 2022)
|
Budget Amount *help |
¥4,290,000 (Direct Cost: ¥3,300,000、Indirect Cost: ¥990,000)
Fiscal Year 2025: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2024: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2023: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
Fiscal Year 2022: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
|
Keywords | データマイニング / 説明可能AI / グラフマイニング / 説明可能AI |
Outline of Research at the Start |
本研究課題は、時間経過によって頂点や辺、属性値が変化する動的ネットワークを対象とした深層学習モデルに関する新たな知識獲得・説明生成技術を開発する。より具体的には、顕在特徴と潜在特徴を考慮した階層的特徴パターン抽出技術、および、抽出パターンを語彙とする解釈・了解可能な最適ルール集合獲得技術を開発することで、深層学習モデルが分散的に内包する多段に渡る複雑な関係知識を利用者が理解容易な形で外在化・構造化することを目指す。
|
Outline of Annual Research Achievements |
本研究課題は、 既存の説明可能AI技術に関する問題点を軽減すると共に、深層学習モデルの安全な利用を促進するため、深層学習モデルから高い解釈性・了解性を持つ構造化知識を獲得することを目的としている。この目的に向け、本年度は(1)グラフニューラルネットワークに対する攻撃検知、(2)系列データに対する説明可能AI技術の応用、(3)解集合プログラミングを用いた知識獲得について研究を行った。 グラフニューラルネットワークの攻撃検知に関しては、GCN中間層出力を対象とした特徴抽出と分類器・例外発見器の併用を用いる手法を開発するとともに、その発展として、中間層出力に対する距離学習・対照学習の適用を検討した。 系列データに対する説明可能AI技術の応用に関しては、野球の投球データから打席結果を予測するLSTMモデルを対象に、系列モデルにおいて属性重要度を算出する説明可能AI技術であるTIMEおよびTimeSHAPの適用を行った。加えて、反実仮想説明生成器であるDiCEを援用し、投手の傾向を考慮した反実仮想説明の生成を行った。 解集合プログラミングを用いた知識獲得に関しては、グラフ表現される不動産間取り図を対象に、その選好を表現する弱制約の抽出および分類ルールの獲得を行った。具体的には、帰納論理プログラミングシステムILASPを用いることで、部屋配置を表すグラフ構造に加え、窓の数などの各部屋が持つ属性を考慮した制約やルールを獲得することに成功した。また、解集合プログラミングを用いた別の応用として、人狼ゲームログからの役職推定システムを構築した。こちらは、矛盾を伴う知識を扱う確率論理プログラミングシステムLP^MLNを利用し、ルールに加えて傾向を考慮した推定モデルを構築している。
|
Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
構造データを対象とした深層学習モデルの開発や、系列データを対象とした説明可能AI技術の開発、また論理に基づく機械学習手法の利用など、各要素技術については一定の成果が得られていると考えられる。 その一方で、動的グラフを対象とした深層学習モデルの構築や、特徴抽出に相当する階層的なパターン抽出技術に関しては、現状、基礎的な検討は終了しているが、具体的な実装や十分な実験・検証が行えておらず、その点で「やや遅れている」と判断している。
|
Strategy for Future Research Activity |
これまで進めてきた、グラフデータを対象とした深層学習モデルの開発、及び、系列データを対象とした説明可能AI技術の高度化、論理を用いた学習システムの開発を継続するとともに、動的グラフを対象とした深層学習モデルの構築を行う。 また、開発したモデルを対象とした階層的特徴パターンの抽出に関しては、顕在的特徴に加え、潜在的特徴を対象としたパターン抽出技術を開発する。具体的には、入力データに対する中間層出力も対象とした特徴的部分構造の抽出と、分散表現を通じたグループ化を繰り返すことで、階層的なパターンの抽出を試みる。 その後、抽出されたパターンを語彙とし、ネットワーク上での語彙の連結関係を述語表現するとともに、彙間に成立する多様な関係を、論理ルールの集合として抽出する技術の開発を目指す。
|
Report
(1 results)
Research Products
(5 results)